【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于信息處理方法領(lǐng)域，主要涉及一種基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法及相關(guān)系統(tǒng)。
技術(shù)介紹
1、在電力系統(tǒng)中，高壓隔離開(kāi)關(guān)是不可或缺的關(guān)鍵設(shè)備，主要用于變電站中，確保電路的安全隔離、連接和轉(zhuǎn)換。這些開(kāi)關(guān)設(shè)備長(zhǎng)期暴露在戶外環(huán)境中，容易導(dǎo)致金屬傳動(dòng)機(jī)構(gòu)的氧化腐蝕和潤(rùn)滑脂的變質(zhì)流失。因此，對(duì)高壓隔離開(kāi)關(guān)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以預(yù)防絕緣子斷裂、導(dǎo)電回路過(guò)熱、機(jī)械故障等潛在問(wèn)題，對(duì)于保障電力系統(tǒng)的穩(wěn)定運(yùn)行至關(guān)重要?，F(xiàn)有技術(shù)主要依賴于網(wǎng)絡(luò)控制系統(tǒng)（network?control?system，ncs）監(jiān)測(cè)系統(tǒng)來(lái)監(jiān)測(cè)高壓隔離開(kāi)關(guān)的狀態(tài)。這些系統(tǒng)通過(guò)輔助觸點(diǎn)提供分、合信號(hào)，以指示隔離開(kāi)關(guān)的動(dòng)作狀態(tài)。
2、然而，ncs監(jiān)測(cè)系統(tǒng)技術(shù)存在以下問(wèn)題和缺點(diǎn)：（1）監(jiān)測(cè)準(zhǔn)確性不足?，F(xiàn)有的ncs監(jiān)測(cè)系統(tǒng)依賴于輔助觸點(diǎn)發(fā)出的分、合信號(hào)來(lái)告知操作人員隔離開(kāi)關(guān)的狀態(tài)，但這并不能確保隔離開(kāi)關(guān)實(shí)際操作到位，存在誤報(bào)的風(fēng)險(xiǎn)，可能導(dǎo)致嚴(yán)重的事故。（2）抗噪能力弱。由于存在噪聲數(shù)據(jù)可能被錯(cuò)誤標(biāo)記的情況，這導(dǎo)致該監(jiān)測(cè)系統(tǒng)的抗噪能力較弱。例如，如果監(jiān)測(cè)系統(tǒng)中的數(shù)據(jù)被錯(cuò)誤地標(biāo)記為正常狀態(tài)，而實(shí)際上包含了異常信息，那么模型的異常檢測(cè)性能可能會(huì)受到影響，從而降低了ncs監(jiān)測(cè)系統(tǒng)的整體可靠性。（3）檢測(cè)針對(duì)性低。ncs監(jiān)測(cè)系統(tǒng)在面對(duì)復(fù)雜多變的運(yùn)行環(huán)境時(shí)，無(wú)法針對(duì)特定的工況或設(shè)備狀態(tài)進(jìn)行精確的異常識(shí)別，影響了對(duì)關(guān)鍵設(shè)備潛在故障的早期發(fā)現(xiàn)和預(yù)防，從而降低了異常檢測(cè)的效率和可靠性。
技術(shù)實(shí)現(xiàn)思路
1、專利技術(shù)目的：為了克服現(xiàn)
2、技術(shù)方案：為實(shí)現(xiàn)上述目的，本專利技術(shù)采用的技術(shù)方案為：
3、一種基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，包括以下步驟：
4、步驟s?1，數(shù)據(jù)準(zhǔn)備：采集電廠設(shè)備監(jiān)測(cè)數(shù)據(jù)并預(yù)處理，得到訓(xùn)練集和支持集。
5、步驟s2，通過(guò)訓(xùn)練集訓(xùn)練檢測(cè)模型，所述檢測(cè)模型包括條件概率擴(kuò)散模型和u-net模型，利用條件概率擴(kuò)散模型檢測(cè)異常，通過(guò)添加噪聲和去除噪聲，并使用u-net模型預(yù)測(cè)噪聲并重構(gòu)數(shù)據(jù)，完成檢測(cè)模型的訓(xùn)練，得到訓(xùn)練好的檢測(cè)模型。
6、步驟s?3，異常檢測(cè)：使用均方誤差計(jì)算支持集中正常數(shù)據(jù)與其對(duì)應(yīng)的訓(xùn)練好的檢測(cè)模型得到的噪聲重構(gòu)數(shù)據(jù)之間的距離，確定閾值。將待檢測(cè)數(shù)據(jù)與其對(duì)應(yīng)的訓(xùn)練好的檢測(cè)模型得到的噪聲重構(gòu)數(shù)據(jù)之間的距離作為異常分?jǐn)?shù)，異常分?jǐn)?shù)超過(guò)閾值則判定為異常。
7、優(yōu)選的：步驟s2中訓(xùn)練檢測(cè)模型的方法如下：
8、步驟s201，正向擴(kuò)散過(guò)程：擴(kuò)散數(shù)據(jù)樣本從初始狀態(tài)到高噪聲狀態(tài)。
9、步驟s202，反向擴(kuò)散過(guò)程：反向過(guò)程旨在將從高噪聲狀態(tài)數(shù)據(jù)一直恢復(fù)到干凈數(shù)據(jù)。
10、步驟s203：條件信息的引入。簡(jiǎn)單的cdpm生成樣本是無(wú)條件的，所以同時(shí)訓(xùn)練一個(gè)模型來(lái)學(xué)習(xí)在條件設(shè)置下生成數(shù)據(jù)。
11、
12、其中，表示噪聲變量，表示在條件下預(yù)測(cè)的噪聲，表示在時(shí)間t通過(guò)添加噪聲生成的新?tīng)顟B(tài)，表示無(wú)條件預(yù)測(cè)的噪聲，表示調(diào)整系數(shù)，對(duì)應(yīng)于無(wú)條件模型，而則調(diào)整為條件模型。
13、優(yōu)選的：步驟s201中正向擴(kuò)散過(guò)程包括以下步驟：
14、步驟s2011，設(shè)定初始狀態(tài)數(shù)據(jù)序列為。
15、步驟s2012，通過(guò)在初始狀態(tài)數(shù)據(jù)序列逐漸引入高斯噪聲序列以得到一系列噪聲數(shù)據(jù)。中間狀態(tài)的擴(kuò)散方差?被確定，即具有已知噪聲增強(qiáng)幅度參數(shù)，已知噪聲增強(qiáng)幅度參數(shù)表示用于控制隨機(jī)噪聲擴(kuò)散的參數(shù)。
16、優(yōu)選的：步驟s2012中引入高斯噪聲序列以得到一系列噪聲數(shù)據(jù)的過(guò)程如下式所示。
17、
18、其中，表示正向擴(kuò)散過(guò)程中的條件分布，表示在時(shí)間t，圖像狀態(tài)通過(guò)添加噪聲，生成一個(gè)新的狀態(tài)，表示時(shí)間步，表示正態(tài)分布，表示協(xié)方差矩陣的縮放因子，表示單位矩陣；
19、步驟s2013，得到噪聲數(shù)據(jù)序列。
20、優(yōu)選的：步驟s202中反向擴(kuò)散過(guò)程包括以下步驟：
21、步驟s2021，使用步驟s2012學(xué)習(xí)到的正向擴(kuò)散過(guò)程中的條件分布，在u-net模型上結(jié)合去噪神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)于每一步反向步驟，期望恢復(fù)在前向過(guò)程中丟失的原始特征，將數(shù)據(jù)恢復(fù)到更干凈的狀態(tài)。
22、步驟s2022：反向擴(kuò)散過(guò)程中的計(jì)算公式如下：
23、
24、步驟s2023：反向擴(kuò)散過(guò)程中的計(jì)算公式如下：
25、
26、其中，表示去噪后的干凈數(shù)據(jù)，表示權(quán)重系數(shù)，表示當(dāng)前時(shí)間步的噪聲狀態(tài)，表示來(lái)自標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)噪聲，表示在給定當(dāng)前噪聲狀態(tài)?和時(shí)間步t的條件下，預(yù)測(cè)前一時(shí)間步的均值；
27、步驟s2024：找到反向過(guò)程的參數(shù)和來(lái)迭代去噪并恢復(fù)。
28、優(yōu)選的：步驟s2021中反向擴(kuò)散過(guò)程中的條件分布表示為：
29、
30、其中，表示反向擴(kuò)散過(guò)程中的條件分布，表示正態(tài)分布，表示均值函數(shù)，表示條件分布的協(xié)方差矩陣，表示模型的可學(xué)習(xí)參數(shù)，表示均值函數(shù)，表示條件分布的協(xié)方差矩陣，表示模型的可學(xué)習(xí)參數(shù)。
31、優(yōu)選的：步驟s2021中反向擴(kuò)散過(guò)程中，從?到的轉(zhuǎn)換是平滑且連續(xù)的：
32、
33、其中，表示條件分布的均值函數(shù)，表示協(xié)方差的大小。
34、優(yōu)選的：的更新公式為：
35、
36、?的更新公式為：
37、
38、其中，表示在和條件下的均值函數(shù)，表示協(xié)方差矩陣的標(biāo)量因子，表示時(shí)間依賴的參數(shù)，表示另一種時(shí)間依賴的參數(shù)，表示原始數(shù)據(jù)，表示噪聲數(shù)據(jù)。
39、優(yōu)選的：訓(xùn)練檢測(cè)模型的損失函數(shù)為：
40、
41、其中，表示損失函數(shù)，表示對(duì)輸入數(shù)據(jù)和實(shí)際噪聲的期望，表示輸入數(shù)據(jù)，表示實(shí)際噪聲，表示預(yù)測(cè)噪聲與實(shí)際噪聲之間的差異，表示預(yù)測(cè)噪聲，表示權(quán)重系數(shù)，表示時(shí)間步。
42、優(yōu)選的：均值函數(shù)計(jì)算公式為。
43、
44、其中，表示條件分布下的均值函數(shù)，表示輸入數(shù)據(jù)，表示時(shí)間步，表示時(shí)間依賴的參數(shù)，表示另一個(gè)時(shí)間依賴的參數(shù)，表示權(quán)重系數(shù)，通常與相關(guān)，表示預(yù)測(cè)噪聲。
45、優(yōu)選的：步驟s?3中異常檢測(cè)包括以下步驟：
46、步驟s301：閾值設(shè)定：計(jì)算支持集里面的數(shù)據(jù)和通過(guò)訓(xùn)練好的檢測(cè)模型生成的數(shù)據(jù)之間的平均歐式距離，并將其作為閾值。
47、步驟s302，均方誤差計(jì)算。
48、步驟s3021，將待檢測(cè)數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的檢測(cè)模型中，得到模型輸出的待檢測(cè)數(shù)據(jù)的重構(gòu)數(shù)據(jù)。
49、步驟s3022，計(jì)算待檢測(cè)數(shù)據(jù)的重構(gòu)數(shù)據(jù)與待檢測(cè)數(shù)據(jù)之間的均方誤差。
50、步驟s3023，如果計(jì)算得到的均方誤差超過(guò)了之前設(shè)定的閾值，這將被視為一個(gè)顯著的異常信號(hào)，本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S2中訓(xùn)練檢測(cè)模型的方法如下：
3.根據(jù)權(quán)利要求2所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S201中正向擴(kuò)散過(guò)程包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S202中反向擴(kuò)散過(guò)程包括以下步驟：
5.根據(jù)權(quán)利要求4所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S2021中反向擴(kuò)散過(guò)程中，從?到的轉(zhuǎn)換是平滑且連續(xù)的：
6.根據(jù)權(quán)利要求5所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：
7.根據(jù)權(quán)利要求6所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：訓(xùn)練檢測(cè)模型的損失函數(shù)為：
8.根據(jù)權(quán)利要求1-7中任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S?3中異常檢測(cè)包括以下步驟：
9.根據(jù)權(quán)利要求1-7中任一所
10.根據(jù)權(quán)利要求1-7中任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟S?1中數(shù)據(jù)準(zhǔn)備包括以下步驟：
11.一種基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)系統(tǒng)，其特征在于，用于實(shí)現(xiàn)權(quán)利要求1-10任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，包括數(shù)據(jù)采集處理單元、檢測(cè)模型單元、異常檢測(cè)單元，其中：所述數(shù)據(jù)采集處理單元用于采集電廠設(shè)備監(jiān)測(cè)數(shù)據(jù)并預(yù)處理，得到訓(xùn)練集和支持集；
12.根據(jù)權(quán)利要求11所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)系統(tǒng)，其特征在于：所述檢測(cè)模型單元包括條件擴(kuò)散概率模型模塊和U-Net模型模塊，所述條件擴(kuò)散概率模型模塊用于利用條件概率擴(kuò)散模型檢測(cè)異常；所述U-Net模型模塊用于使用U-Net模型預(yù)測(cè)噪聲并重構(gòu)數(shù)據(jù)。
13.一種電子設(shè)備，其特征在于，包括：至少一個(gè)處理器、至少一個(gè)存儲(chǔ)器和通信接口；所述處理器、存儲(chǔ)器和通信接口相互間進(jìn)行通信；所述存儲(chǔ)器存儲(chǔ)有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令，以執(zhí)行權(quán)利要求1-10任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法。
14.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令使所述計(jì)算機(jī)執(zhí)行權(quán)利要求1至10中任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法。
...【技術(shù)特征摘要】
1.一種基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟s2中訓(xùn)練檢測(cè)模型的方法如下：
3.根據(jù)權(quán)利要求2所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟s201中正向擴(kuò)散過(guò)程包括以下步驟：
4.根據(jù)權(quán)利要求3所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟s202中反向擴(kuò)散過(guò)程包括以下步驟：
5.根據(jù)權(quán)利要求4所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟s2021中反向擴(kuò)散過(guò)程中，從?到的轉(zhuǎn)換是平滑且連續(xù)的：
6.根據(jù)權(quán)利要求5所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：
7.根據(jù)權(quán)利要求6所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：訓(xùn)練檢測(cè)模型的損失函數(shù)為：
8.根據(jù)權(quán)利要求1-7中任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：步驟s?3中異常檢測(cè)包括以下步驟：
9.根據(jù)權(quán)利要求1-7中任一所述基于條件擴(kuò)散概率模型的傳感器異常檢測(cè)方法，其特征在于：還包括告警機(jī)制，所述告警機(jī)制包括以下步驟：
10.根據(jù)權(quán)利要求1-7中任一所...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉俊陶，張琦，王虎，鐘凱，李向明，李長(zhǎng)華，曾學(xué)文，黃曉明，
申請(qǐng)(專利權(quán))人：國(guó)能九江發(fā)電有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。